-
公开(公告)号：CN112949533B
公开(公告)日：2022-04-22
申请号：CN202110276094.5
申请日：2021-03-15
Applicant: 成都信息工程大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，包括：根据功率谱密度计算R²图，得到最大的频率波段并进行带通滤波；通过小波包方法对脑电信号的细节系数和近似系统进行提取并计算，得到小波包能量熵特征，并通过小波包能量熵值构建脑功能网络，提取脑网络的拓扑特征；并根据数据预处理中SCSP算法，得到方差特征；将三种特征进行融合，得到较高维度的特征矩阵；通过互信息和相关性的Lasso方法并结合Relief‑f算法进行特征选择，筛选出较小维度的特征矩阵。本发明不仅提取时空域特征，也将脑网络的拓扑特征一并提取，保留更多脑电特征信息；并结合互信息和相关性的Lasso方法和Relief‑f算法进行特征筛选，使特征选择出的特征更优秀。
-
公开(公告)号：CN111353995B
公开(公告)日：2023-03-28
申请号：CN202010240762.4
申请日：2020-03-31
Applicant: 成都信息工程大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于生成对抗网络的宫颈单细胞图像数据生成方法，包括以下步骤：S1、准备包含正常细胞图像和异常细胞图像的宫颈单细胞数据集，并对宫颈单细胞数据集进行预处理；S2、模型设计：以传统的生成对抗网络为基础，在生成对抗网络模型过程中使用约束条件指导模型生成指定类别的宫颈单细胞图像。本发明的生成对抗网络由两部分组成：生成器用于捕获训练数据的分布，判别器用于判断输入数据是来自真实数据还是生成数据。模型通过这种竞争的学习方式，使生成对抗网络可以生成逼近真实的图像，提升模型表现。本发明可以通过生成器在消耗很少的时间和人力的前提下获得大量的有效数据，可以通过扩大数据集获得更高的疾病检测准确率。
-
公开(公告)号：CN111353995A
公开(公告)日：2020-06-30
申请号：CN202010240762.4
申请日：2020-03-31
Applicant: 成都信息工程大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于生成对抗网络的宫颈单细胞图像数据生成方法，包括以下步骤：S1、准备包含正常细胞图像和异常细胞图像的宫颈单细胞数据集，并对宫颈单细胞数据集进行预处理；S2、模型设计：以传统的生成对抗网络为基础，在生成对抗网络模型过程中使用约束条件指导模型生成指定类别的宫颈单细胞图像。本发明的生成对抗网络由两部分组成：生成器用于捕获训练数据的分布，判别器用于判断输入数据是来自真实数据还是生成数据。模型通过这种竞争的学习方式，使生成对抗网络可以生成逼近真实的图像，提升模型表现。本发明可以通过生成器在消耗很少的时间和人力的前提下获得大量的有效数据，可以通过扩大数据集获得更高的疾病检测准确率。
-
公开(公告)号：CN112949533A
公开(公告)日：2021-06-11
申请号：CN202110276094.5
申请日：2021-03-15
Applicant: 成都信息工程大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，包括：根据功率谱密度计算R²图，得到最大的频率波段并进行带通滤波；通过小波包方法对脑电信号的细节系数和近似系统进行提取并计算，得到小波包能量熵特征，并通过小波包能量熵值构建脑功能网络，提取脑网络的拓扑特征；并根据数据预处理中SCSP算法，得到方差特征；将三种特征进行融合，得到较高维度的特征矩阵；通过互信息和相关性的Lasso方法并结合Relief‑f算法进行特征选择，筛选出较小维度的特征矩阵。本发明不仅提取时空域特征，也将脑网络的拓扑特征一并提取，保留更多脑电特征信息；并结合互信息和相关性的Lasso方法和Relief‑f算法进行特征筛选，使特征选择出的特征更优秀。
-
-
-
Search Results
4
records
(took 0.02 seconds)
